【代码】sklearn-实现岭回归

本文展示一个使用sklearn实现岭回归模型的Demo代码

通过本文可以掌握在实际应用中如何调用sklearn来实现岭回归模型

    01. 如何用sklearn实现岭回归    

本节展示如何用sklearn实现岭回归模型的求解

     问题     

现有数据以下
 
需要我们建立岭模型,用变量 x1,x2 预测y

✍️备注
 以上数据的实际关系为：   
建完模可以回头看看建模的结果与这个是否一致

   用sklearn包求解岭回归模型   

用python的sklearn实现岭回归模型
只需调用linear_model.Ridge()函数
 代码如下

from sklearn import linear_model
import numpy as np

#输入数据
x = np.array([[0, 2], [1, 1], [2,3],[3,2],[4,5],[5,2]])
y = np.array([8,7,15,14,25,18])

#调用sklearn的线性模型包，训练数据
ridge = linear_model.Ridge(alpha=1,fit_intercept=True)   # 模型实例化
ridge.fit(x,y)                                           # 模型训练

#输出模型系数和阈值
print("当前alpha:"+str(ridge.alpha))
print("模型参数："+str(ridge.coef_))
print("模型阈值："+str(ridge.intercept_))

运行结果
将其中的alpha分别设置为0、1、2后，
得到结果分别如下：
当前alpha:0                                              
模型参数：[2. 3.]                                       
模型阈值：2.0                                           
---------------------------------------------
当前alpha:1                                            
模型参数：[1.97256098 2.72865854]     
模型阈值：2.7469512195121943           
---------------------------------------------
当前alpha:2                                           
模型参数：[1.93298969 2.51030928]    
模型阈值：3.391752577319588            

从结果中可以看到，在alpha=0时，岭回归模型就相当于线性回归，
而随着惩罚系数alpha的增大，模型的权重逐步减小
因此，在线性回归模型的系数过大时，就可以使用岭回归来惩罚系数，
从而得到一个系数相对较小的线性模型

 End